诺贝尔物理奖变身图灵奖？科学家解释人工智能先驱为何“爆冷”获奖
作者:热点 来源:焦点 浏览: 【大中小】 发布时间:2024-10-21 12:25:59评论数:
上海 举报 0 分享至
用微信扫码二维码
分享至好友和朋友圈
摘要：霍普菲尔德、爆冷辛顿的诺贝成果与物理学有何关联？
瑞典皇家科学院10月8日宣布，将2024年诺贝尔物理学奖授予两位人工智能先驱——美国科学家约翰·霍普菲尔德和加拿大科学家杰弗里·辛顿，尔物表彰他们在使用人工神经网络进行机器学习的理奖基础性发现和发明。
诺贝尔物理学奖怎么颁给了人工智能专家？诺贝尔奖变身图灵奖了？大奖一揭晓，变身就引发了网民的图灵议论。当然，奖科解释这已不是学家先驱诺贝尔物理学奖第一次“跨界”，比如在2021年，人工这项大奖的为何三位获得者中，真锅淑郎和克劳斯·哈斯曼是获奖气候学家，获奖原因是爆冷他们在地球气候预测模型和“预测全球变暖”方面作出的贡献。
此次瑞典皇家科学院为何“相中”人工智能？霍普菲尔德和辛顿的诺贝成果与物理学有何关联？解放日报·上观新闻记者采访了复旦大学、上海交通大学和达观数据的尔物三位专家。
将物理学与其他多个学科交叉
“霍普菲尔德和辛顿的理奖研究领域是统计物理、数学物理、非线性物理，所以属于物理学领域。”复旦大学智能复杂体系实验室主任、上海数学中心谷超豪研究所长聘教授林伟介绍，他们研发的人工神经网络是典型的复杂系统，需要用格物致知的精神去深入探究，将物理学与数学、统计学、计算机科学、脑科学等学科进行交叉。
瑞典皇家科学院宣布，将2024年诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿。
人工神经网络是20世纪80 年代以来，人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。作为一种运算模型，人工神经网络由大量的节点（即神经元）相互连接构成，每个节点代表一种特定的输出函数，每两个节点间的连接都代表一个对于通过该连接信号的加权值，这相当于人工神经网络的记忆。
林伟告诉记者：“霍普菲尔德上世纪80年代发明的霍普菲尔德神经网络，是用来描述和模拟人脑联想记忆的。”它是一种结合存储系统和二元系统的神经网络，提供了模拟人类记忆的模型。
人感知到一些事物或经历了某件事后，其记忆会被唤醒，脑海中浮现出越来越清晰的图景。霍普菲尔德神经网络也有这个功能，比如科研人员把曾输入神经网络的一张图片加工一下，让它的部分像素缺失，随后将这张图片输入神经网络。经过多次循环，它会神奇地让原图复现，就像人脑将遗忘的事物回忆起来一样。
霍普菲尔德神经网络还可以解决“旅行商问题”。对于给定的一系列城市和每对城市之间的距离，它能找到访问每座城市仅一次并回到起始城市的最短回路。
对人工智能发展起到关键作用
林伟介绍，辛顿发明了一种可以自动发现数据特征的方法，从而执行“识别图片中特定元素”等任务。他以霍普菲尔德神经网络为基础，创建了一个使用不同方法的新网络——玻尔兹曼机，这种网络可以学习识别给定类型数据中的特征元素。
辛顿使用统计物理学的工具，通过输入在机器运行时很可能出现的例子来训练机器。玻尔兹曼机可用于分类图像，或创建与其训练模式类型相似的新例子。在此基础上，这位科学家继续研究，助力启动了当前机器学习的飞速发展。
2024年诺贝尔物理学奖得主肖像
上海交通大学物理与天文学院、张江高等研究院教授洪亮认为，辛顿留下的最大“科学遗产”是被人工智能时代广泛认可并且至今在各大模型中应用的“反向传播”方法。在训练人工智能系统时，运用这种计算方法，既“正着走”也“反着走”，也就是在正向过程中不断反向验证，从而让AI与真实更加接近，也更为稳定。
达观数据董事长兼CEO、复旦大学计算机专业博士陈运文说：“霍普菲尔德和辛顿开创性提出的神经网络和深度学习技术，为现代人工智能奠定了重要的理论基础，使计算机能够模拟人类的记忆和学习过程，对人工智能如今的蓬勃发展起到了关键性作用，在计算机技术发展史上具有划时代意义。”
或将推动物理学科研范式改变
谈及今年诺贝尔物理学奖的“跨界”问题，洪亮表示：“91岁的霍普菲尔德是统计物理学家，77岁的辛顿则是一位100%的计算机学家，而且已经得过计算机领域的最高奖——图灵奖。所以获奖消息一公布，就在我们物理与天文学院群里引起了辩论。”这场还在持续的辩论，甚至让他想起了《三体》中物理学家发出的“灵魂拷问”：物理是不是不存在了？洪亮在他的朋友圈里表示，今天或许是物理学历史上“悲哀的一天”，却可能是科学史上“崭新的一天”。
在林伟看来，这是诺贝尔奖主动拥抱“AI时代”的一个重要举措，体现了物理学与其他学科交叉融合的趋势，值得肯定。
洪亮认为，霍普菲尔德和辛顿此次获奖，可能将推动物理学科研范式的改变。洪亮本科学物理，读硕士时学化学，读博士时学生物，之后研究计算生物学，如今是上海交大国家应用数学中心副主任。他通过跨学科的研究经历发现，相比爱用AI的工程学家和生物医药学家，物理学家对AI的接受程度并不高。
究其原因，在解释世界的方法上，物理学家最擅长的是“从底层往上推”，即先搞清楚1+1=2，再推出1+2=3、2+2=4，进而发展出减法、乘法和除法等，一层一层地复杂化，直至理解这个最复杂的世界。而另一种解释世界的方法是“自上而下”，也就是AI最擅长的大数据驱动，凭借足够多的数据倒推出合理的结果，而其中的逻辑可能存在于无法破解的黑箱里。
“第一种方法是简单而美的，另一种方法是复杂而有用的。”洪亮以谷歌 DeepMind开发的AI模型Alphafold为例，它预测蛋白质、DNA、RNA、小分子等生物分子结构和相互作用的精确性，往往可以超过从底层向上逐层推演、反复验证的传统科研范式。那么，完美理解这个世界的物理之道，究竟用什么方法更好？洪亮认为，物理学家可改变思维，正如诺奖评审改变思路一样，在更大程度上拥抱新的范式。